目录:
+ 分类
+ 假设陈述
+ 决策界限
+ 代价函数
+ 简化代价函数与梯度下降
+ 高级优化
+ 多元分类:一对多
一·分类
二分类和多分类
线性回归用于该数据集,设置阈值,并不是一个好的例子
logistic回归是一个分类算法
二·假设陈述
当有一个分类问题时,我们要使用哪个方程来表示我们的假设
三·决策界限
假设已拟合好了函数,另外决策边界不是训练集的属性,而是假设本身及其参数的属性
我们不是用训练集来定义决策边界,而是用训练集来拟合参数
四·代价函数
如何拟合logistic回归模型的参数,要定义用来拟合参数的优化目标或者叫代价函数.
这个代价函数的理解实在输出的预测值是h(x)时,而实际标签是y的情况下,我们希望学习算法付出的代价值。
logitic下的代价函数 y=1 y=0
这个曲线的特点是在h(x)趋于1时激增,趋于正无穷,也就是说,如果最后发现y=0,而我们却几乎非常肯定地预测y=1的概率为1,那么我们就要付出非常大的代价值。反过来如果h(x)=0,而且y=0,那么假设函数预测对了,预测的是y=0,并且y就是0,那么代价函数在这点上,应该等于0
五·简化代价函数与梯度下降
logistic回归的代价函数如下
代价函数求导
六·高级优化
七·多元分类:一对多
选择三个分类中效果最好的那个